当全部科技界都在存眷生成性人工智能及其所谓的损坏经济和失业市场的本领时，研究人员正在采纳神经网络来处理科学、能源、康健和平安方面的挑衅，如检验未知核威胁。太平洋西北国度实验室（PNNL）正试图经过运用机械进修（ML）算法猎取未知的核威胁。
PNNL是美国能源部国度实验室之一，如今ML无处不在，能够被用来创立"平安、值得相信、基于科学的体系"，旨在给大众和国度供应差别品种的坚苦科学挑衅的谜底。
PNNL引见说，ML算法的正式公开亮相可以追溯到1962年，其时一台IBM 7094计算机正在跳棋中战胜了人类敌手。因为采用了以上算法，该体系可以自我进修，没有被明白编程以改动其对国际象棋选手Robert Nealey的战略。
PNNL说，本日，机械进修无处不在，由于它为个性化的购物推举和语音驱动的助手（如Siri和Alexa）给予撑持。像ChatGPT那样的生成型人工智能工具只是一项已有几十年成熟和成长的手艺的最新公开显示。
PNNL的研讨人员还正在将机械进修适用于国家安全，由于该实验室的专家正正在将他们正在核不扩散和"人工推理"方面的常识结合起来，以检验和（大概）减轻核威胁。他们研讨的关键目的是采纳数据剖析和机械进修算法来监测大概被适用于出产核武器的核质料。
PNNL接纳的人工智能对国际原子能机构（IAEA）很有效，该机构正在监测非核兵器国度的核后处理设备，以掌握由废核燃料中分离出来的钚是不是厥后被适用于出产核兵器。除亲自查抄以外，IAEA还使用了样品阐发和历程监测，这多是一个耗时和劳动密集型的历程。
PNNL的算法能够为IAEA查抄的设备创立一个假造模子，跟踪"主要的时候形式"来锻炼模子，并展望属于设备中各个地区的一般利用形式。假如现场收集的数据取假造展望不一致，能够叫查抄员再查抄一次设备。
PNNL实验室设计的另一个由ML驱动的解决方案能够根据一个"主动编码器"模子来处置惩罚放射性质料的图象，该模子能够被训练成"紧缩和解压图象"的小描写，对测算阐明有效。该模子检察微观放射性粒子的图象，寻觅放射性质料因其出产举措措施的环境条件或源质料的纯度而构成的共同构造。
法律机构（即FBI）随后能够将现场样本的微观构造取大学和国度实验室开辟的电子显微镜图象库开展对照，如许他们就能够放慢辨认历程。PNNL的研究人员正告说，机械进修算法和计算机"不会正在短时间间内代替人类检验核威胁"，但它们正在检验和防止美国领土上的潜正在核劫难层面能够发挥作用。